使用深度学习的检测辅助肝部病变分割
该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段,以实现高质量的医学影像分析和临床诊断。论文结果表明,其分割结果和计算时间均较为准确和快速。
Feb, 2017
本文介绍了使用级联的全卷积神经网络和密集的 3D 条件随机场来自动分割 CT 腹部图像中的肝脏和病变的方法,实现了对肝脏和病变的语义分割,其 Dice 分数超过 94%,每个体积计算时间低于 100 秒。
Oct, 2016
利用深度卷积神经网络,以 2.5D 方式对肝脏 CT 图像进行分割,并在 130 个 LiTS 训练数据集上进行训练,在 70 个测试 CT 扫描上取得了平均 Dice 分数 0.67,时隔 ISBI2017 会议后获得了该领域的第一名。
Apr, 2017
本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法,通过级联 ResNet 架构和多尺度融合生成更精确的边界定义,该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。
Apr, 2017
提出了一种用于计算机断层扫描(CT)图像中肝脏和肝脏病变联合分割的模型,该模型利用两个全卷积网络并置并端对端联合训练;在 2017 年 MICCAI 肝肿瘤分割挑战赛中,我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数,不同于其他表现优秀的方法,我们的模型不需要使用外部数据,并提出了一个简单的单阶段模型进行端到端的训练。然而,我们的方法几乎达到了顶尖的病变分割性能,并在保持高召回率的情况下实现了第二高的病变检测精度。
Jul, 2017
该研究提出了一种基于深度学习和图割优化的自动肝脏分割算法,可在临床设置中实现高效而准确的肝容积估算,可替代耗时且不可重复的手动分割方法。
May, 2016
通过在多个阶段运用神经网络进行多相计算机断层扫描,结合分割模型和单相训练,我们的方法在肝脏病变分割性能上取得了 1.6% 的改进,并降低了 8% 的主体间性能差异。
Apr, 2024
本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法,验证表明此方法对高度多样化的病灶具有较好的鲁棒性。
Mar, 2017
本文提出了一种自动高效的算法(DI2IN),利用卷积编码器 - 解码器结构和深度监督联合多级特征级联,采用对抗网络进行训练来辅助区分 DI2IN 的输出和真实数据,最终证明本方法在各种扫描协议和人群差异情况下能够取得比现有解决方案更高的肝脏分割精度和计算效率。
Jul, 2017
利用深度学习方法实现肺叶分割,在一个手动标注的数据集上测试所提出的方法,通过设计一个混合损失函数来解决类别失衡问题,并在独立数据集上进行了测试,取得了比基线模型高达 5.87% 的表现。
Mar, 2019